评估器-优化器
Evaluator-Optimizer — GAN 式生成-判别循环
一个 LLM 生成响应，另一个 LLM 提供评估和反馈，循环迭代。生成者与评估者角色固定——不同于自主 Agent。适用条件：有清晰评估标准 + 迭代能产生可衡量提升。
典型场景 → 文学翻译（语义细微差别）· 复杂搜索（多轮分析）· 主观设计任务
Evaluator-Optimizer（评估器-优化器）
定义
一个 LLM 生成响应，另一个 LLM 提供评估和反馈，循环迭代。类似人类作家的反复修改过程。
适用场景
两个条件同时满足：
- 有清晰的评估标准
- 迭代改进能产生可衡量的价值提升
关键信号：人类给出反馈时 LLM 的输出确实能改善，且 LLM 本身能提供这种质量的反馈。
典型用例：
- 文学翻译：译者 LLM 可能遗漏细微之处，评估者 LLM 提供有用的批评
- 复杂搜索：需要多轮搜索和分析，评估者决定是否需要进一步搜索
在 agentic 系统中的位置
属于 agentic systems 中的 workflow 模式。本质上是一个 GAN 式的生成-判别循环。与自主 agent 的区别：evaluator-optimizer 的角色（生成者、评估者）是固定的，agent 的行为是自主涌现的。
GAN 式 Generator-Evaluator 的工程实践
Anthropic 在 harness 设计实践 中将此模式推向了工程化：
Self-evaluation problem
Agent 评估自己产出时天然偏向乐观——即使质量明显中等，也会自信地给予好评。这在主观任务（如设计）中尤为突出，但在有客观标准的任务中也存在。将评估者分离为独立 agent 后，调校其严格程度远比让生成者自我批评更可行。
评估标准操作化
将主观判断转化为可评分维度（design quality、originality、craft、functionality），用 few-shot 示例校准评估者的判断标准。关键：权重刻意偏向模型默认薄弱的维度（如 originality），而非已擅长的维度（如 craft）。
Sprint contracts
Generator 和 Evaluator 在每轮工作前协商”完成标准”，将高层 spec 细化为可测试的具体条件。这在 feature tracking 的基础上增加了双方协商的维度。
评估者的边际价值
Evaluator 的必要性取决于任务是否在当前模型能力边界上。模型越强，evaluator 的边际价值越集中在边界案例。但对于超出模型可靠范围的任务，evaluator 仍然是关键的质量保障。
相关概念
- Harness engineering — evaluator-optimizer 是 harness 中的质量反馈回路
- Feature tracking — sprint contracts 建立在 feature tracking 之上
References
sources/anthropic_official/building-effective-agents.mdsources/anthropic_official/harness-design-long-running-apps.md